Yeni kirleticiler, klasik atıksu arıtım tasarımlarının en zorlandığı alanlardan biridir. Antibiyotikler, endokrin bozucu bileşikler, kalıcı organik kirleticiler, mikroplastikler ve PFAS gibi son derece kalıcı maddeler, çoğu zaman düşük konsantrasyonlarda bile ekolojik ve insan sağlığı açısından önemlidir. Bu kirleticilerin bazıları hormonal sistemleri etkileyebilir, bazıları antibiyotik direnç genlerinin yayılma riskini artırabilir, bazıları ise çevrede uzun süre kalabilir ve besin zincirine taşınabilir.

Geleneksel atıksu arıtma sistemleri organik yük, askıda katı madde, azot ve fosfor gibi klasik parametreler için tasarlanmıştır. Ancak yeni kirleticiler çok farklı kimyasal yapılara, farklı çözünürlük özelliklerine, farklı parçalanma davranışlarına ve farklı taşıma yollarına sahiptir. Bu nedenle bir sistemin klasik su kalite parametrelerini iyi azaltması, her zaman antibiyotik, mikroplastik veya endokrin bozucu bileşikler için de aynı başarıyı göstereceği anlamına gelmez.

Yapay sulak alanlar, bu noktada doğa temelli bir çözüm olarak öne çıkar. Bu sistemlerde atıksu; bitkiler, substrat/matris malzemeleri, mikroorganizmalar ve hidrolik akış koşullarıyla etkileşime girer. Kirletici giderimi tek bir mekanizmayla değil, çoklu süreçlerin birleşimiyle gerçekleşir. Çalışmada bu süreçler arasında matris filtrasyonu, yerçekimsel çökelme, fiziksel adsorpsiyon, bitki alımı, mikrobiyal dönüşüm ve bozunma ile hidrolik tamponlama sayılır.

Bu mekanizmaların hangi kirletici için ne kadar önemli olduğu ise değişkendir. Mikroplastikler genellikle fiziksel tutulma, süzülme ve çökelme yoluyla azalır. Buna karşılık antibiyotikler ve endokrin bozucu bileşikler gibi çözünmüş organik kirleticiler, substratın adsorpsiyon kapasitesine, redoks gradyanlarına, mikrobiyal topluluk yapısına, sıcaklığa ve atıksuyun kimyasal özelliklerine daha fazla bağlıdır. Bu nedenle “yapay sulak alanlar yeni kirleticileri şu oranda giderir” gibi tek bir cümle, çalışmanın bulgularına göre yanıltıcı olur.

Çalışmanın temel problemi burada başlar: Literatürde çok sayıda deney ve gözlem vardır, fakat bu veriler birbirine doğrudan benzemez. Bir çalışma laboratuvar ölçeğinde sentetik atıksuyla çalışırken, başka bir çalışma tam ölçekli bir sistemde evsel atıksu ya da sızıntı suyu kullanabilir. Bir çalışmada mikroplastikler, diğerinde antibiyotikler, başka birinde kalıcı organik kirleticiler incelenmiş olabilir. Bazı çalışmalar farklı bitki türleri, bazıları farklı akış rejimleri, bazıları farklı substratlar kullanır.

Daha da önemlisi, aynı makale içinde birden fazla kirletici, birden fazla örnekleme noktası, birden fazla sulak alan hücresi veya birden fazla işletme koşulu olabilir. Eğer bu ölçümlerin hepsi birbirinden bağımsızmış gibi analiz edilirse, örneklem sayısı yapay olarak şişer. Bu da belirsizliği olduğundan küçük gösterir ve sonuçların gereğinden daha kesin görünmesine yol açar. Çalışmanın istatistiksel açıdan en değerli taraflarından biri, bu bağımlılığı dikkate almaya çalışmasıdır.

Yazarlar, PRISMA 2020 raporlama kılavuzunu izleyerek Web of Science ve ScienceDirect veri tabanlarında Ağustos 2025 öncesi yayımlanmış çalışmaları taramıştır. Başlangıçta 674 kayıt veri tabanı aramalarından, 135 kayıt diğer yollarla belirlenmiş; tekrar kayıtların çıkarılması, başlık-özet taraması ve tam metin uygunluk değerlendirmesi sonunda 67 çalışma meta-analize dahil edilmiştir. Şekil 1’deki PRISMA akış diyagramı, bu eleme sürecini görsel olarak gösterir. Aynı şeklin diğer panelleri ise dahil edilen verinin sulak alan tiplerine ve atıksu kaynaklarına göre dağılımının dengeli olmadığını ortaya koyar.

Tablo 1, çalışmanın hangi sulak alan düzeyi değişkenleri çıkardığını gösterir. Bunlar arasında sulak alan tipi, tasarım ve yükleme parametreleri, bitki özellikleri, substrat özellikleri, operasyonel parametreler ve klasik su kalite göstergeleri yer alır. Örneğin sulak alan tipleri arasında dikey yeraltı akışlı sistemler, yatay yeraltı akışlı sistemler, karışık akışlı sistemler, yüzey akışlı sistemler ve yukarı yönlü dikey yeraltı akışlı sistemler bulunur. Operasyonel değişkenler arasında hidrolik bekletme süresi, hidrolik yükleme oranı, debi ve işletme sıcaklığı yer alır.

Çalışmanın ana etki büyüklüğü lnRR, yani doğal logaritmalı yanıt oranıdır:

\[ \ln RR = \ln\left(\frac{C_{out}}{C_{in}}\right) \]

Bu formülde C_out, çıkış suyundaki yeni kirletici konsantrasyonudur. C_in, giriş suyundaki konsantrasyondur. Eğer [ \ln RR < 0 ] ise çıkış konsantrasyonu girişten daha düşüktür; yani sistem kirleticiyi azaltmış görünür. Eğer [ \ln RR > 0 ] ise çıkış konsantrasyonu girişten daha yüksektir; bu durum net artış, salım, ölçüm değişkenliği veya hidrolik/analitik nedenlerle açıklanabilir.

Bu formülün gündelik anlamı basittir: Sistemden çıkan kirletici miktarı, sisteme girenden ne kadar az ya da çoktur? Ancak logaritma kullanılması, çok farklı büyüklükteki konsantrasyonların daha karşılaştırılabilir hale gelmesini sağlar. Örneğin çok düşük ng/L düzeyindeki bir kirletici ile daha yüksek konsantrasyondaki başka bir kirleticiyi doğrudan yüzde hesabıyla karşılaştırmak yanıltıcı olabilir; lnRR bu farkları daha istikrarlı bir etki büyüklüğüne dönüştürür.

Örnekleme varyansı için delta yöntemi kullanılır:

\[ V(\ln RR) = \frac{S_{out}^2}{n_{out} C_{out}^2} + \frac{S_{in}^2}{n_{in} C_{in}^2} \]

Burada S_out ve S_in, çıkış ve giriş konsantrasyonlarının standart sapmalarıdır. n_out ve n_in, ilgili örneklem sayılarıdır. Bu formül, giriş ve çıkış ölçümlerindeki belirsizliğin lnRR etki büyüklüğüne nasıl taşındığını gösterir. Çalışma, eşleştirilmiş ölçümlerde giriş ve çıkış arasında korelasyon olabileceğini, ancak bu korelasyon raporlanmadığında kullanılan varyans formülünün pozitif korelasyon durumunda daha muhafazakâr kalabileceğini belirtir.

Standart hata raporlanan çalışmalarda standart sapmaya dönüştürme için şu ilişki verilir:

\[ SD = n \times SE \]

Burada SD, standart sapma; SE, standart hata; n, örneklem sayısıdır. Bu dönüşüm, farklı çalışmaların sonuçlarını aynı meta-analitik çerçeveye yerleştirmek için kullanılır.

Çalışmanın meta-regresyon denkleminde etki büyüklüğü ile kovaryatlar arasındaki ilişki şöyle gösterilir:

\[ Y_i = \beta_0 + \beta_1 X_{1i} + \beta_2 X_{2i} + \cdots + \epsilon_i \]

Burada Y_i, i’inci gözlem veya çalışmaya ait etki büyüklüğünü; X_1i ve X_2i, deneysel veya işletmesel değişkenleri; β katsayıları bu değişkenlerin etki büyüklüğüyle ilişkisini; ε_i ise artık hata terimini gösterir.

Bu noktada çalışmanın çok önemli bir istatistiksel tercihi vardır: Basit bir meta-analiz yerine çok düzeyli rastgele etkiler modeli ve çalışma düzeyinde küme-dayanıklı varyans tahmini kullanılmıştır. Çünkü aynı çalışmadan gelen çoklu etki büyüklükleri birbirinden bağımsız değildir. Örneğin aynı deney düzeneğinde hem antibiyotik hem endokrin bozucu ölçülmüşse, bu iki gözlem ortak tasarım, ortak laboratuvar koşulları ve ortak ölçüm hataları taşır. Bunu görmezden gelmek sonuçları olduğundan daha kesin gösterir.

Çalışmanın ilk büyük sonucu, veri tabanındaki heterojenliğin son derece yüksek olmasıdır:

\[ I^2 \approx 99\% \]

I², toplam gözlenen varyasyonun ne kadarının yalnızca örnekleme hatasıyla değil, gerçek çalışmalar arası farklarla açıklanabileceğini gösterir. %99’a yakın bir değer, neredeyse tüm varyasyonun gerçek bağlam farklarından kaynaklandığını düşündürür. Bu nedenle çalışma, tek bir genel ortalama değer yerine alt gruplar, etkileşimler ve bağlama özgü performans zarfları üzerinde durur.

Şekil 2, veri tabanının dağılımını anlamak için önemlidir. Giriş ve çıkış konsantrasyonlarının birkaç büyüklük mertebesine yayıldığı görülür. Giderim oranı dağılımında çoğu gözlem %50’nin üzerinde giderim gösterse de negatif giderim değerleri de vardır. Bu negatif değerler, sistemden net salım, konsantrasyon artışı, analitik belirsizlik veya hidrolik değişkenlik gibi durumlara işaret edebilir. Aynı şekil, hidrolik yükleme oranı, hidrolik bekletme süresi ve giriş konsantrasyonu gibi kritik parametrelerde veri yoğunluğunun eşit olmadığını da gösterir.

Kirletici sınıfı, giderim örüntülerinin en baskın belirleyicilerinden biridir. Şekil 3’te mikroplastikler için ortalama lnRR yaklaşık -9.1 olarak verilir. Bu, geometrik olarak yaklaşık %99.99 çıkış konsantrasyonu azalmasına karşılık gelir. Antibiyotikler için ortalama lnRR yaklaşık -2.4, endokrin bozucu bileşikler için -2.2, kalıcı organik kirleticiler için ise -1.8 düzeyindedir. Bunlar yaklaşık olarak %90.9, %88.9 ve %83.5 azalmaya karşılık gelir.

Ancak mikroplastikler için bu yüksek değer çok dikkatli yorumlanmalıdır. Çalışma açıkça, mikroplastiklerde çıkış konsantrasyonunun azalmasının parçalanma veya yok olma kanıtı olmadığını belirtir. Mikroplastikler büyük ölçüde yatak içinde tutulmuş, çökelmiş veya filtrelenmiş olabilir. Eğer kütle dengesi yapılmamışsa, bu parçacıkların uzun vadede yeniden hareketlenip hareketlenmeyeceği bilinmez. Bu nedenle mikroplastik bulgusu “kalıcı giderim” değil, öncelikle “sistem içinde tutulma” olarak okunmalıdır.

Sulak alan konfigürasyonu ikinci büyük yapısal belirleyicidir. Şekil 4a, yatay yeraltı akışlı sistemlerin en güçlü ortalama giderimi verdiğini gösterir. HSSF sistemlerde ortalama lnRR yaklaşık -5.53 iken, yüzey akışlı sistemlerde yaklaşık -1.48 bulunur. Bu değerler sırasıyla yaklaşık %99.6 ve %77.2 geometrik konsantrasyon azalmasına karşılık gelir. Dikey akışlı, karışık akışlı ve yukarı yönlü dikey sistemler ise bu iki uç arasında yer alır.

Bu bulgu mühendislik açısından güçlüdür, fakat yine de mutlak bir kural değildir. Çalışma, her yeraltı akışlı sistemin her yüzey akışlı sistemden daha iyi olacağını söylemez. Ancak çözünmüş yeni kirleticilerin ileri arıtımı için yüzey akışlı sistemlere aynı giderim kredisi verilmemesi gerektiğini, yeraltı akışlı tasarımların daha güvenilir başlangıç noktası olarak görülmesi gerektiğini savunur.

Şekil 4b substrat kategorilerini, Şekil 4c ise bitki gruplarını karşılaştırır. Substrat tipi ve bitki örtüsü giderim heterojenliğine katkı yapar; ancak çalışma hiçbir belirli substrat takviyesinin veya bitki türünün tüm kirleticiler ve tüm atıksu koşulları için evrensel üstünlük göstermediğini belirtir. Bu sonuç önemlidir; çünkü uygulamada bazen belirli bir malzeme veya bitki türü “her durumda daha iyi” gibi pazarlanabilir. Bu çalışmanın bulguları böyle genellemelere destek vermez.

Atıksu matrisi de güçlü bir belirleyicidir. Şekil 5a, sentetik atıksuların genellikle gerçek atıksulardan daha negatif lnRR değerleri verdiğini, yani laboratuvar/sentetik koşullarda daha yüksek giderim görüldüğünü gösterir. Gerçek atıksular içinde evsel atıksu daha güçlü ortalama zayıflama gösterirken, sızıntı suyu ve hayvancılık atıksuyu daha zayıf yanıtlar verir. Bunun nedeni, gerçek atıksuların daha karmaşık organik madde yapısı, rekabet eden kirleticiler, değişken kimyasal bileşim ve farklı sorpsiyon/dönüşüm süreçleri taşımasıdır.

Deney ölçeği ise uygulama açısından belki de en kritik sınırlayıcıdır. Şekil 5b, laboratuvar ölçeğinden tam ölçekli sistemlere gidildikçe ortalama giderimin zayıfladığını gösterir. Ortalama lnRR değerleri laboratuvar ölçeğinde yaklaşık -4.21, mezokozm ölçeğinde -2.86, pilot ölçekte -1.89 ve tam ölçekte -1.72 olarak raporlanır. Bunlar yaklaşık olarak %98.5, %94.3, %84.9 ve %82.1 geometrik konsantrasyon azalmasına karşılık gelir.

Bu fark küçük bir istatistiksel ayrıntı değildir. Laboratuvar sistemleri hidrolik kısa devreleri, yatak yaşlanmasını, tıkanmayı, mevsimsel sıcaklık değişimlerini ve gerçek atıksudaki karmaşık kirletici rekabetini sınırlı biçimde yansıtır. Bu nedenle laboratuvar sonuçları mekanizma taraması için değerlidir; fakat doğrudan tasarım değeri olarak alınırsa saha performansı abartılabilir.

Doğrusal meta-regresyon bölümünde 14 sürekli kovaryat incelenmiştir. Değişkenler standartlaştırılmış, çalışma düzeyinde küme-dayanıklı çıkarım uygulanmış ve çoklu testler için Benjamini-Hochberg FDR düzeltmesi yapılmıştır. Bu daha katı analizden sonra yalnızca iki değişken anlamlı kalmıştır: wetland area ve flow rate. Wetland area katsayısı β = 0.418, p = 0.022; flow rate katsayısı β = 0.380, p = 0.036 olarak verilmiştir.

Bu katsayıların pozitif olması, modelde lnRR değerinin daha az negatif hale gelmesi anlamına gelir; yani görünür giderim zayıflar. Debi etkisi sezgisel olarak anlaşılırdır: Debi arttığında suyun sistemde kalma ve kirleticilerin substrat, kök bölgesi veya mikroorganizmalarla temas etme fırsatı azalabilir. Alan etkisi ise daha dikkatli yorumlanır; çünkü sistem ölçeği, operasyonel karmaşıklık veya ölçülmeyen tasarım özellikleriyle birlikte değişiyor olabilir. Çalışma bu nedenle alan etkisini doğrudan nedensel kural olarak sunmaz.

Şekil 6, bu küme-dayanıklı meta-regresyon sonuçlarını ve kirletici sınıfı, akış rejimi, atıksu tipi gibi kategorilere göre etkileşimleri gösterir. Genel sonuç şudur: Doğrusal modeller tek başına evrensel bir kontrol denklemi bulamaz. Sürekli değişkenlerin etkisi, kirleticinin türüne, sulak alanın akış rejimine ve atıksu matrisine bağlı olarak değişir.

Bu noktada açıklanabilir makine öğrenmesi devreye girer. Çalışmada CatBoost, XGBoost, random forest, LightGBM, KNN, destek vektör regresyonu, çok katmanlı algılayıcı, CNN ve Transformer gibi farklı modellerle karşılaştırılmıştır. Eğitim-test ayrımı %80-%20 oranında yapılmış, kirletici türüne göre tabakalama uygulanmıştır. Eksik değerler missForest ile tamamlanmış, değişkenler sızıntıyı önlemek için eğitim setinden türetilen parametrelerle ölçeklendirilmiştir.

Model performansı için iki temel metrik kullanılmıştır. RMSE formülü çalışmada şu şekilde verilir:

\[ RMSE = \sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2} \]

Burada y_i, gerçek lnRR değerini; ŷ_i, modelin tahmin ettiği lnRR değerini; n, gözlem sayısını gösterir. RMSE değeri küçüldükçe modelin tahmin hatası azalır.

R² formülü ise şöyle ifade edilir:

\[ R^2 = 1 - \frac{\sum_{i=1}^{n}(y_i-\hat{y}_i)^2}{\sum_{i=1}^{n}(y_i-\bar{y})^2} \]

Burada ȳ, gerçek değerlerin ortalamasıdır. R², modelin veri varyasyonunun ne kadarını açıkladığını gösterir. 1’e yaklaştıkça modelin veri içindeki örüntüyü daha iyi yakaladığı kabul edilir.

Şekil 7, CatBoost modelinin diğer modellerden daha iyi performans gösterdiğini, tahmin edilen ve gözlenen lnRR değerlerinin genel olarak uyumlu olduğunu ve SHAP analizinde hangi değişkenlerin öne çıktığını gösterir. CatBoost için test performansı R² = 0.920 ve RMSE = 1.077 olarak verilir. SHAP sıralamasında en önemli sürekli değişkenler debi 0.432, giriş konsantrasyonu 0.417, sıcaklık 0.283, medya derinliği 0.186 ve COD 0.185 olarak raporlanır. Kategorik değişkenlerde atıksu tipi 0.325, deney ölçeği ise 0.197 katkı verir.

SHAP analizi, makine öğrenmesi modelinin hangi değişkenleri tahmin için ne kadar kullandığını açıklamaya yarar. Ancak bu, nedensellik anlamına gelmez. Bir değişkenin modelde yüksek önem taşıması, o değişkeni değiştirince sahadaki giderimin kesin olarak o yönde değişeceğini kanıtlamaz. Çalışma bu ayrımı açık biçimde yapar ve CatBoost modelini mekanistik simülatör değil, mevcut literatür alanı içinde örüntü tanıyan bir araç olarak konumlandırır.

Şekil 8, bağlama özgü değişken önemini daha da net gösterir. Antibiyotiklerde giriş konsantrasyonu toplam önem içinde %29.7 pay alır. Mikroplastiklerde sıcaklık %22.5, bitki yoğunluğu %15.3 önem taşır. Endokrin bozucu bileşiklerde ve kalıcı organik kirleticilerde bitki yoğunluğu sırasıyla %24.7 ve %33.8 ile öne çıkar. Gerçek atıksu tahminlerinde giriş konsantrasyonu %22.6 ile baskınken, sentetik atıksuda akış rejimi %39.5 ile öne çıkar. Yüzey akışlı sistemlerde medya tipi ve bitki yoğunluğu, yeraltı akışlı sistemlerde ise kirletici tipi, COD ve giriş konsantrasyonu daha belirleyicidir.

Bu sonuç, çalışmanın ana mesajını güçlendirir: Her durumda geçerli tek bir “en önemli değişken” yoktur. Hangi değişkenin önemli olduğu, hangi kirleticiye, hangi atıksuya, hangi sulak alan tipine ve hangi ölçeğe bakıldığına göre değişir. Bu nedenle çalışma, evrensel giderim katsayısı yerine context-specific performance envelopes, yani bağlama özgü performans zarfları kavramını önerir.

Performans zarfı, bir sistemin belirli koşullar altında gerçekçi olarak hangi giderim aralığında çalışabileceğini ifade eder. Bu kavram mühendislik açısından çok değerlidir. Çünkü tasarımcıya “bu sistem her zaman %95 giderir” gibi aşırı kesin bir cümle yerine, “bu kirletici sınıfı, bu atıksu matrisi, bu akış rejimi ve bu ölçek koşullarında beklenebilecek performans aralığı şudur” deme olanağı verir.

Çalışmanın pratik önerileri dört ana noktada toplanır. Birincisi, çözünmüş yeni kirleticilerin ileri arıtımı için yeraltı akışlı sistemler yüzey akışlı sistemlere göre daha güvenilir başlangıç tasarımı olarak değerlendirilmelidir. İkincisi, mikroplastik gibi partikül kirleticilerde çıkış konsantrasyonundaki azalma, kütle dengesi yoksa parçalanma değil tutulma olarak yorumlanmalıdır. Üçüncüsü, laboratuvar ve sentetik atıksu bulguları saha tasarımına muhafazakâr biçimde çevrilmelidir. Dördüncüsü, debi, giriş konsantrasyonu, sıcaklık, atıksu kimyası ve deney ölçeği tasarım ve izleme süreçlerinde öncelikli değişkenler olarak ele alınmalıdır.

Gündelik yaşam açısından bu çalışma, su arıtımında “doğal çözüm” kavramına daha gerçekçi bakmamızı sağlar. Yapay sulak alanlar düşük enerji, düşük bakım ve ekolojik uyumluluk gibi avantajlar sunabilir. Ancak bu, her kirleticiyi her koşulda aynı başarıyla giderdikleri anlamına gelmez. Bir kentin evsel atıksuyu, bir sanayi tesisinin karışık atıksuyu veya bir sızıntı suyu aynı sistemde aynı davranışı göstermeyebilir. Bu nedenle doğa temelli çözümler de bilimsel ölçüm, saha doğrulaması ve bağlama özgü tasarım gerektirir.

Enerji ve çevre politikası açısından bulgular önemlidir. Düşük karbonlu arıtma teknolojileri gelecekte daha fazla kullanılacaktır; fakat tasarımlar yalnızca ortalama laboratuvar giderimlerine dayanırsa saha performansı beklenenden düşük kalabilir. Bu da hem çevresel risk hem de yatırım planlaması açısından sorun yaratır. Çalışmanın önerdiği performans zarfı yaklaşımı, karar vericilere daha dürüst ve uygulanabilir bir çerçeve sunar.

Çalışmanın güçlü yönleri arasında büyük bir literatür sentezi yapması, bağımlı etki büyüklüklerini dikkate alması, küme-dayanıklı çıkarım kullanması, doğrusal meta-regresyonu açıklanabilir makine öğrenmesiyle tamamlaması ve mühendislik açısından abartısız çıkarımlar üretmesi sayılabilir. Özellikle tek bir evrensel oran sunmak yerine belirsizliği ve bağlam bağımlılığını ana bulgu olarak kabul etmesi, çalışmanın bilimsel dürüstlüğünü artırır.

Sınırlılıklar da belirgindir. lnRR yalnızca konsantrasyon değişimini ölçer; kirleticinin adsorbe mi olduğunu, parçalandığını mı, tutulduğunu mu, mineralize mi olduğunu veya daha sonra yeniden salınıp salınmayacağını göstermez. Bu mikroplastikler için özellikle kritiktir. Kaynak literatürde kovaryat raporlaması eksik ve dengesizdir; bu meta-regresyon gücünü sınırlar. Kanıt tabanı atıksu tipi, bölge ve ölçek açısından dengeli değildir. Yayın yanlılığı değerlendirmesi, aşırı heterojenlik ve bağımlı etki büyüklükleri nedeniyle zordur. Makine öğrenmesi modelinde test ayrımı gözlem düzeyindedir; dış çalışma setiyle gerçek harici doğrulama yapılmamıştır.

Çalışmanın söylemediği şeyler de açıkça belirtilmelidir. Bu çalışma, yapay sulak alanların tüm yeni kirleticileri güvenle yok ettiğini söylemez. Mikroplastiklerde yüksek giderimin kalıcı parçalanma anlamına geldiğini iddia etmez. CatBoost modelinin saha tasarımını tek başına yapabileceğini savunmaz. Belirli bir bitki veya substrat türünün her koşulda üstün olduğunu göstermemiştir. Çalışmanın ana mesajı daha dikkatli ve daha değerlidir: yapay sulak alan performansı bağlama bağımlıdır; mühendislik tasarımı tek bir ortalama değere değil, kirletici, atıksu, akış rejimi, hidrolik koşul ve ölçek bazlı performans zarflarına dayanmalıdır.

Çalışmanın Yöntemi ve Bulguları

Çalışmanın yöntemi, sistematik literatür taraması, etki büyüklüğü hesaplama, çok düzeyli meta-analiz, küme-dayanıklı çıkarım, doğrusal meta-regresyon, CatBoost tabanlı açıklanabilir makine öğrenmesi ve SHAP/ALE yorumlamasından oluşur.

1. Veri toplama ve çalışma seçimi

2. Dahil edilen kirletici sınıfları

3. Çıkarılan sulak alan değişkenleri

4. Etki büyüklüğü ve varyans formülleri

Ana etki büyüklüğü:

\[ \ln RR = \ln\left(\frac{C_{out}}{C_{in}}\right) \]

Örnekleme varyansı:

\[ V(\ln RR) = \frac{S_{out}^2}{n_{out} C_{out}^2} + \frac{S_{in}^2}{n_{in} C_{in}^2} \]

Meta-regresyon genel formu:

\[ Y_i = \beta_0 + \beta_1 X_{1i} + \beta_2 X_{2i} + \cdots + \epsilon_i \]

5. Genel heterojenlik

6. Kirletici sınıfına göre ortalama giderim

7. Sulak alan konfigürasyonuna göre bulgular

8. Ölçek etkisi

9. Küme-dayanıklı meta-regresyon sonuçları

FDR düzeltmesi sonrasında diğer sürekli moderatörler evrensel ve kararlı doğrusal etkiler olarak kalmamıştır. Bu sonuç, tek değişkenli tasarım kuralları yerine bağlama özgü analiz gereğini destekler.

10. Makine öğrenmesi ve model performansı

RMSE:

\[ RMSE = \sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2} \]

R²:

\[ R^2 = 1 - \frac{\sum_{i=1}^{n}(y_i-\hat{y}_i)^2}{\sum_{i=1}^{n}(y_i-\bar{y})^2} \]

11. SHAP ile öne çıkan belirleyiciler

12. Bağlama özgü SHAP bulguları

13. Ana sonuçların teknik özeti

• Yapay sulak alanlar yeni kirleticileri azaltabilir; ancak performans aşırı bağlama bağımlıdır.
• I² ≈ 99% olduğu için tek bir evrensel giderim katsayısı mühendislik tasarımı için güvenilir değildir.
• Mikroplastiklerde yüksek görünür giderim, kütle dengesi yoksa kalıcı yok oluş değil tutulma olarak yorumlanmalıdır.
• Yatay yeraltı akışlı sistemler, yüzey akışlı sistemlerden belirgin biçimde daha güçlü ortalama giderim göstermiştir.
• Laboratuvar ve sentetik atıksu sonuçları tam ölçekli gerçek atıksu performansını abartabilir.
• Doğrusal meta-regresyon yalnızca zayıf evrensel sinyaller bulmuştur.
• CatBoost modeli verideki doğrusal olmayan yapıyı daha iyi yakalamıştır; ancak dış saha garantisi veya nedensel simülatör değildir.
• En savunulabilir mühendislik yaklaşımı, bağlama özgü performans zarfları geliştirmektir.

Kaynak ve Yöntem Notu

Bu makale, Diantong Li, Mengze Gao, Dawei Yu, Jie Mao ve Yaohui Bai tarafından hazırlanan “Context-dependent removal of emerging pollutants in constructed wetlands: a dependence-aware meta-analysis and explainable machine-learning framework for performance envelopes” başlıklı çalışmaya dayanarak hazırlanmıştır. Çalışma, Chinese Academy of Sciences ve University of Chinese Academy of Sciences bağlantılı araştırmacılar tarafından hazırlanmıştır.

Kaynak türü, metin üzerindeki açık ibareye göre SSRN preprint araştırma makalesidir. Metinde açıkça “This preprint research paper has not been peer reviewed” ifadesi yer aldığı için bu çalışma hakem değerlendirmesinden geçmemiş preprint olarak değerlendirilmelidir. Buna karşılık, çalışmanın meta-analize dahil ettiği 67 kaynak çalışma metne göre hakemli çalışmalardır. Bu ayrım önemlidir: sentezin dayandığı literatür hakemli çalışmalardan oluşsa da, bu sentez makalesinin kendisi henüz hakemli yayın olarak doğrulanmamaktadır.

Bu içerik hazırlanırken çalışmada verilen sistematik tarama süreci, 67 çalışma ve 841 giriş-çıkış karşılaştırmasından oluşan veri tabanı, lnRR formülü, varyans hesabı, çok düzeyli rastgele etkiler modeli, CR2 küme-dayanıklı çıkarım, FDR düzeltmesi, CatBoost modeli, SHAP/ALE açıklamaları, şekiller, sayısal sonuçlar ve sınırlılıklar esas alınmıştır. Metinde bulunmayan saha garantisi, evrensel giderim katsayısı, belirli bir bitki veya substratın her koşulda üstünlüğü, mikroplastiklerin kesin yok oluşu ya da CatBoost modelinin dış koşullara güvenle genellenebileceği gibi iddialar eklenmemiştir.

Çalışmanın sonuçları özellikle çevre mühendisliği ve atıksu arıtma tasarımı açısından önemlidir; ancak sonuçlar bağlama bağımlıdır. Yapay sulak alan tasarımlarında kirletici sınıfı, atıksu matrisi, akış rejimi, debi, giriş konsantrasyonu, sıcaklık, deney ölçeği ve saha doğrulaması birlikte değerlendirilmelidir. Preprint niteliği nedeniyle bulgular dikkatli okunmalı ve mühendislik uygulamalarında pilot/tam ölçekli saha doğrulamasıyla desteklenmelidir.

Meta Etiketler